区域提议机制对于现有的图像目标检测深度学习方法至关重要。尽管在正常情况下它们通常能够实现良好的检测性能，但在极端场景中的召回率却低得不可接受。这主要是因为边界框注释包含大量环境噪声信息，需要进行非极大值抑制（Non-Maximum Suppression, NMS）来选择目标框。因此，在本文中，我们提出了一种无需锚点且无需NMS的目标检测模型，称为弱监督多模态注释分割（Weakly Supervised Multimodal Annotation Segmentation, WSMA-Seg），该模型利用分割模型实现了无NMS的准确和鲁棒的目标检测。在WSMA-Seg中，通过弱监督边界框提出了多模态注释以实现实例感知的分割；我们还开发了一种基于运行数据的后续算法来追踪物体的轮廓。此外，我们提出了一种多尺度池化分割（Multi-Scale Pooling Segmentation, MSP-Seg）作为WSMA-Seg的基础分割模型，以实现更精确的分割并提高WSMA-Seg的检测准确性。多个数据集上的实验结果表明，所提出的WSMA-Seg方法优于当前最先进的检测器。